本专题小编共整理了6篇文章，来自华中科技大学、中国科学院合肥智能机械研究所、中国农业大学、中国农业科学院农业信息研究所、中国科学院合肥物质科学研究院智能机械研究所、仲恺农业工程学院等单位。

文章包含蜂群多特征长期监测系统、蜂群箱体关键参数在线监测系统、人工智能在水产养殖中的应用与展望、奶牛跛行自动识别技术、蛋鸡设施养殖环境质量评价预测模型、对虾养殖溶解氧浓度组合预测模型EMD-RF-LSTM等内容。供大家阅读、参考。

专题--智慧养殖

Topic--Intelligent Breeding

[1]洪葳, 胥保华, 刘升平. 蜂群多特征长期监测系统设计与试验研究[J]. 智慧农业(中英文), 2020, 2(2): 105-114.

HONG Wei, XU Baohua, LIU Shengping. Design and experimental research of long-term monitoring system for bee colony multiple features[J]. Smart Agriculture, 2020, 2(2): 105-114.

摘要：目前，针对蜂群发生崩溃式消失的现象还缺乏有效的观测和分析手段。本研究在分析蜂群行为与检测特征的基础上，设计了一种基于物联网技术的蜂群多特征长期监测系统。该系统采用太阳能供电，融合了多种传感器，能够检测蜂群的多个特征（蜂箱内部的温度、湿度、蜂群重量、声音和蜜蜂的进出量），并利用无线数据同步传输技术将这些数据上传到远程云服务器中。基于该系统，本研究还进行了针对意大利蜜蜂从2018年秋季到2020年春季为期235天的长期连续监测试验，记录了蜂群在秋衰期、越冬期和春繁期蜂箱内部温度、湿度、蜂群重量、声音和进出量的逐小时的细致变化。试验结果表明，在此期间，蜂箱内的平均温度呈现从25℃下降到-5℃再回升至15℃的抛物线变化，相应的进出巢次数也由大约8万次/天减少至0次/天再增加至5万次/天。在越冬期中，蜂群的重量呈现出大约25 g/天的线性下降趋势，同时蜂箱内也更为安静，声音的频率集中于0~64 Hz。由此表明，在不干扰蜂群的情况下，该监测系统获得的特征数据能够有效地揭示蜂群的日常活动和趋势变化，可用来研究蜂群的行为生物学、探索崩溃式的蜂群消失成因以及发展精确化蜜蜂养殖业。

知网阅读

[2]杨选将, 李华龙, 李淼, 胡泽林, 廖建军, 刘先旺, 郭盼盼, 岳旭东. 蜂群箱体关键参数在线监测系统与性能测试[J]. 智慧农业(中英文), 2020, 2(2): 115-125.

YANG XuanJiang, LI Hualong, LI Miao, HU Zelin, LIAO Jianjun, LIU Xianwang, GUO Panpan, YUE Xudong. Beehive key parameters online monitoring system and performance test[J]. Smart Agriculture, 2020, 2(2): 115-125.

摘要：随着信息技术的发展，利用大数据分析、物联网监控、传感器感知、无线通信等技术构建一种蜂箱蜂群实时在线监测系统，是减少因开箱检查造成蜂群应激反应的可行解决方案。本研究针对蜂箱封闭环境进行实时监测困难的现状，利用STM32F103VBT6 32位微控制器，同时融合了温湿度传感器、微麦克风以及激光对射传感器，开发了一套低功耗、可连续工作的蜂群箱体关键参数在线监测系统，实现了养蜂生产过程中多参数信息获取以及蜂箱内蜂群的环境参数和生活状态的实时在线监测。系统主要包括核心处理模块、数据采集模块、数据发送模块以及数据库服务器等。数据采集模块包括蜂箱内部温湿度采集单元、蜂群声音采集单元、蜜蜂进出巢数量计数单元等，通过接入移动通信网络进行数据传输。系统现场部署性能测试结果表明，研制的系统能够实时监测蜂箱内温湿度，有效区别进出蜂箱的蜜蜂并记录进出巢门的蜜蜂数量，且自动获取的蜂群声音与标准的蜂群声音分布相吻合。本系统符合设计要求，采集参数准确可靠，可以作为蜂群相关研究的数据采集方法。

知网阅读

[3]李道亮, 刘畅. 人工智能在水产养殖中研究应用分析与未来展望[J]. 智慧农业(中英文), 2020, 2(3): 1-20.

LI Daoliang, LIU Chang. Recent advances and future outlook for artificial intelligence in aquaculture[J]. Smart Agriculture, 2020, 2(3): 1-20.

摘要：中国水产养殖的生产模式已由粗放型向集约型转变，生产结构不断调整升级，生产水平不断提高。但较低的劳动生产率、生产效率和资源利用率，低质量的水产品以及缺乏安全保障等问题都严重制约中国水产养殖业的快速发展。利用现代信息技术，研究智能设备来实现精确、自动化和智能化的水产养殖，提高渔业生产力和资源利用率是解决上述矛盾的主要途径。水产养殖中的人工智能是研究利用计算机实现水产养殖的过程，也就是利用机器和计算机监视水下生物的生长，进行问题判断、讨论和分析，提出养殖相关决策，完成自动化养殖。为深入了解人工智能技术在水产养殖中的研究发展现状，本文从水产养殖的生命信息获取、水产生物生长调控与决策、鱼类疾病预测与诊断、水产养殖环境感知与调控，以及水产养殖水下机器人5个具体方面入手，结合生产中面临的实际问题，分析了人工智能在水产养殖中的研究应用现状和技术特点；阐述了人工智能应用的主要技术手段和原理，总结了近年来人工智能技术在水产养殖中的最新应用研究进展，分析了当前人工智能技术在水产养殖发展中面临的主要问题和挑战，并提出了推动水产养殖转型的主要建议，以期为加速推进中国渔业数字化、精准化和智慧化提供参考。

知网阅读

[4]韩书庆, 张晶, 程国栋, 彭英琦, 张建华, 吴建寨. 奶牛跛行自动识别技术研究现状与挑战[J]. 智慧农业(中英文), 2020, 2(3): 21-36.

HAN Shuqing, ZHANG Jing, CHENG Guodong, PENG Yingqi, ZHANG Jianhua, WU Jianzhai. Current state and challenges of automatic lameness detection in dairy cattle[J]. Smart Agriculture, 2020, 2(3): 21-36.

摘要：奶牛跛行是奶牛发生肢蹄病的外在表现。人工识别跛行奶牛存在效率低、成本高、主观性强等问题。奶业对奶牛跛行自动识别技术需求日益强烈。本文从机器视觉技术、压力分布测量技术、可穿戴技术、行为分析技术和跛行分类技术5个方面，分析了奶牛跛行自动识别技术的原理、功能、特点及研究现状。总结发现，当前奶牛跛行自动识别技术研究大多集中在传感器研发和算法开发，而性能验证和决策支持的研究较少，面临的主要挑战包括高质量跛行识别数据获取难度大，缺乏早期跛行识别技术手段，奶牛个体差异干扰模型识别精度，牧场非结构化环境对识别系统性能要求高，以及技术应用效果难评估等。因此，为促进奶牛跛行自动识别技术的发展，建议推动牧场跛行监测数据共享，研究奶牛个体跛行判别模型的构建方法，开发融合跛行检测、体况评分等多功能的一体化智能通道，并分析评价跛行自动识别技术应用在保障动物福利、环境生态、粮食安全等方面的重要意义。

知网阅读

[5]李华龙, 李淼, 詹凯, 刘先旺, 杨选将, 胡泽林, 郭盼盼. 蛋鸡设施养殖环境质量评价预测模型构建方法及性能测试[J]. 智慧农业(中英文), 2020, 2(3): 37-47.

LI Hualong, LI Miao, ZHAN Kai, LIU Xianwang, YANG Xuanjiang, HU Zelin, GUO Panpan. Construction method and performance test of prediction model for laying hen breeding environmental quality evaluation[J]. Smart Agriculture, 2020, 2(3): 37-47.

摘要：蛋鸡设施养殖环境质量对蛋鸡的健康生长和生产性能的提升至关重要。蛋鸡养殖环境是多环境因子相互影响制约的复杂非线性系统，凭借单一的养殖环境参数难以对环境质量做出准确有效的评价。针对上述问题，本研究综合蛋鸡设施养殖环境的温度、湿度、光照强度、氨气浓度等多个环境影响因子，在布谷鸟搜索算法优化神经网络（CS-BP）预测模型的基础上，构建了改进的CS-BP的蛋鸡设施养殖环境质量评价预测模型。将构建的改进CS-BP预测模型与BP神经网络、遗传算法优化BP神经网络（GA-BP）、粒子群算法优化BP神经网络（PSO-BP）3种深度学习方法进行性能参数分析比对，结果表明：改进CS-BP评价预测模型的平均绝对误差（MAE）、平均相对误差（MAPE）和决定系数（R2）分别为0.0865、0.0159和0.8569，其各项指标性能均优于上述3种对比模型，该模型具有较强的模型泛化能力和较高的预测精度。对改进CS-BP的蛋鸡设施养殖环境质量评价模型进行测试，其分类准确率达0.9333以上。本研究构建的模型可以为蛋鸡设施养殖环境质量提供更加全面有效的科学评价，对实现蛋鸡生产环境的最优控制，促进蛋鸡生产性能的提升具有重要意义。

知网阅读

[6]尹航, 李祥铜, 徐龙琴, 李景彬, 刘双印, 曹亮, 冯大春, 郭建军, 李利桥. 对虾养殖溶解氧浓度组合预测模型EMD-RF-LSTM[J]. 智慧农业(中英文), 2021, 3(2): 115-125.

YIN Hang, LI Xiangtong, XU Longqin, LI Jingbin, LIU Shuangyin, CAO Liang, FENG Dachun, GUO Jianjun, LI Liqiao. EMD-RF-LSTM: Combination prediction model of dissolved oxygen concentration in prawn culture[J]. Smart Agriculture, 2021, 3(2): 115-125.

摘要：溶解氧（DO）浓度是对虾养殖水质检测的核心指标。为提高对虾养殖溶解氧浓度的预测精度，本研究提出了一种基于经验模态分解、随机森林和长短时记忆神经网络（EMD-RF-LSTM）的对虾养殖溶解氧浓度组合预测模型。首先采用经验模态分解（EMD）对养殖水质溶解氧浓度时序数据进行多尺度特征提取，得到不同尺度下的固有模态分量（IMF）；然后分别采用长短时记忆神经网络（LSTM）和随机森林（RF）对高、低频不同尺度IMF进行建模；最后结合各分量预测结果构建叠加模型，实现对溶解氧浓度时序数据的综合预测。本研究模型在广东省湛江市南三岛对虾养殖基地展开了试验及应用，在基于真实数据集的性能测试中，经验模态分解后EMD-ELM模型与极限学习机（ELM）模型对比，平均绝对误差（MAPE）、均方根误差（RMSE）和平均绝对误差（MAE）分别降低了30.11%、29.60%和32.95%。在经验模态分解基础上用RF和LSTM对不同特征尺度的本征模态分量分别预测后叠加求和，EMD-RF-LSTM模型预测的精度指标MAPE、RMSE和MAE分别为0.0129、0.1156和0.0844，其中关键指标MAPE较EMD-ELM、EMD-RF和EMD-LSTM分别降低了84.07%、57.57%和49.81%，预测精度显著提高。结果表明，本研究针对经验模态分解后高、低频分量分别预测的策略可有效提升综合性能，表明本研究模型具有较高的预测精度，能够较准确地实现对虾养殖水体中溶解氧浓度预测。

知网阅读

微信交流服务群

为方便农业科学领域读者、作者和审稿专家学术交流，促进智慧农业发展，为更好地服务广大读者、作者和审稿人，编辑部建立了微信交流服务群，有关专业领域内的问题讨论、投稿相关的问题均可在群里咨询。入群方法：加小编微信331760296，备注：姓名、单位、研究方向，小编拉您进群，机构营销广告人员勿扰。

信息发布

科研团队介绍及招聘信息、学术会议及相关活动的宣传推广